非监督分类 分类模型或分类器：
精度低 工作量小 没有先验知识 统计分类、模糊分类、决策树分类、神经网络分类、面向对象分类等。 6 遥感图像分类基本过程(Process)
? ? ? ? ?
分类预处理：辐射校正、几何校正 特征提取与选择
分类（监督分类训练区的选择） 分类后处理，包括精度评价 专题图制作
8.2监督分类(Supervised classification )
1. 训练样本(training sample)的选择
2. 最小距离分类法(Minimum distance classifier) 3. 平行多面体分类法(Parallelepiped classifier) 4. 最大似然分类法(Maximum likelihood classifier ) 监督分类
1定义分类模板 2评价分类模板 3进行监督分类 4评价分类结果
8.3非监督分类(Unsupervised classification)
? ? ?
非监督分类(unsupervised classification)：根据事先指定的某一准则，而进行计算机自动判别归类，无须人为干预，分类后需确定地面类别。
主要采用聚类(clustering)法，使同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。
在非监督分类中，先确定光谱可分的类别，然后定义它们的信息类 1，K-均值(K-means)
1），确定最初类别数和类别中心;
2），计算每个像元与各初始聚类中心的距离;
3），选与其中心距离最近的类别作为这一像元的所属类别; 4），计算新的类别均值向量;
5），比较新的类别均值与原中心位置的变化, 形成新的聚类中心; 重复2, 反复迭代; 6），如聚类中心不再变化, 停止计算.
2，迭代自组织数据分析技术（ISODATA，Iteractive Self-Organizing Data Analysis Techniques Algorithm）
在初始设定基础上，在分类过程中根据一定原则不断重新计算类别总数、类别中心，使分类结果逐渐趋于合理，直到满足一定条件, 分类完毕. 与K均值不同之处：
1）把所有样本计算完毕之后，再重新计算一次各类样本均值。
2）通过设定参数可自动实现类别的分裂与合并，得到类数比较合理的聚类结果。 监督分类与非监督分类方法对比
1、是否用训练样区来获取先验的类别知识； 2、分类效果：
1）光谱特征类与地物信息类一一对应时，非监督分类效果好； 2）两个地物类型对应的光谱特征类差异很小时，监督分类效果好；
非监督分类
1初始分类2专题判别3分类后处理4色彩重定义5栅格矢量转换 8.4分类后处理与精度分析(Post classification)
? ?
8.5.1 分类后处理 噪声去除 类别合并
8.5.2 精度分析：利用样本对分类误差进行估计。
样本：监督分类的训练样本 试验场 随机取样，目视解译或实地测量
8.5遥感图像分类的新方法(New method)
? ?
8.4.1 决策树分类(Decision Tree Classification ) 8.4.2 模糊聚类分类(Fuzzy Cluster Analysis)
决策树分类器是多级分类方法，将数据按照树状结构分成若干分枝，从上而下、分而治之。 基本思想是用连续的数值范围[0,1]取代非“是(1) ”即“否(0) ”的布尔逻辑陈述(Boolean logic statement) ,0与1之间任何数值均可用以表示是与否之间的过渡状态。 ? ?
8.4.3 神经网络分类(Neural Network Classifier) 8.4.4 面向对象的图像分析(Object based image analysis)
小结：
图像分割方法：棋盘分割；基于四叉树分割；多尺度分割（邻域(两两)合并算法）。 分类方法 Classification：最近邻分类；模糊逻辑成员函数